任务的目标是将百度百科的python页面的词汇解释和与python相关的链接词汇解释。
通过审查百度百科页面的编码可以知道:
相关的url链接的编码格式是:(‘a’, href=re.compile(r”/item/”))这类格式
标题的编码是《dd class=”lemmaWgt-lemmaTitle-title”》 这种类型的格式
标题的百度百科是div class=”lemma-summary” label-module=”lemmaSummary”
这种类型的格式。
已知道以上的信息就可以对这些网页进行自动爬取。
主函数在下面:
#spdier_main.py
from baike_spider import url_manager, html_downloader, html_parser, html_outputer
class SpiderMain(object):
def __init__(self): # 初始化
self.urls = url_manager.UrlManager() # url管理器
self.downloader = html_downloader.HtmlDownloader() # 下载器
self.parser = html_parser.HtmlParser() # 解析器
self.outputer = html_outputer.HtmlOutputer() # 输出器
def craw(self, root_url):
count = 1
self.urls.add_new_url(root_url)#添加新的url
while self.urls.has_new_url():#检查是否还有新的url
try:
new_url = self.urls.get_new_url()#获取新的url
print('craw %d : %s' % (count, new_url))
html_cont = self.downloader.download(new_url)#下载该url的编码
new_urls, new_data = self.parser.parse(new_url, html_cont)#用解析器得到新的url和有价值的信息
self.urls.add_new_urls(new_urls)#添加新的url(这里和上面不是同一个函数,因为这里添加的url可能有多个)
self.outputer.collect_data(new_data)#输出有价值的信息
if count >= 100:
break
count += 1
except Exception as e:#有可能遇见错误的网页
print(str(e))
# 根据报错信息提示错误
self.outputer.output_html()
if __name__ == '__main__':
root_url = 'https://baike.baidu.com/item/Python/407313?fr=aladdin'#待爬取的网址
obj_spider = SpiderMain()#创建爬虫
obj_spider.craw(root_url)#进行抓取
通过主函数可以看出,主要需要实现url管理器,页面下载,页面解析,以及页面输出这四个类:
一:url管理器:
url管理器主要是为了防止循环爬取,需要保证每个待爬取的url都是一个从未遇见的url,然后才会将该url放入未爬取的url集合中去,等待下一次循环进行爬取。
#url_manager.py
class UrlManager(object):
def __init__(self):#url管理器里面需要两个set来分别记录已经爬去的类和未爬取的类
self.new_urls = set()
self.old_urls = set()
def add_new_url(self, url):#如果待添加的url为有效的url,且该url即不在已爬去的set里,也不在未爬去的set里,则添加
if url is None:
return
if url not in self.new_urls and url not in self.old_urls:
self.new_urls.add(url)
def add_new_urls(self, urls):#对于添加一堆的url
if urls is None or len(urls) == 0:
return
for url in urls:
self.add_new_url(url)
def has_new_url(self):#检查是否还有未爬取的url。
return len(self.new_urls) != 0
def get_new_url(self):#从未爬取的url set中取出一个url
new_url = self.new_urls.pop()
self.old_urls.add(new_url)
return new_url
二:页面下载类:
#html_downloader.py#
import string
from urllib import request
from urllib.parse import quote
class HtmlDownloader(object):
def download(self, url):
if url is None:
return None
url_ = quote(url, safe=string.printable)#这个主要应对中文编码的问题。
response = request.urlopen(url_)
if response.getcode() != 200:#判断是否正常访问该网页
return None
return response.read()
三:页面解析器:
#html_parser.py
import re
import urllib.parse
from bs4 import BeautifulSoup
class HtmlParser(object):
def _get_new_urls(self, page_url, soup):
new_urls = set()
links = soup.find_all('a', href=re.compile(r"/item/"))#搜索所有满足条件的url
# 网址有变,表达式做了调整
for link in links:
new_url = link['href']
new_full_url = urllib.parse.urljoin(page_url, new_url)
# Py3中用到的模块名称变为urllib.parse
new_urls.add(new_full_url)
return new_urls
def _get_new_data(self, page_url, soup):
res_data = {}
# url
res_data['url'] = page_url
# <dd class="lemmaWgt-lemmaTitle-title"> <h1>Python</h1>
title_node = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h1')
#print(title_node.get_text())
res_data['title'] = title_node.get_text()#搜取满足条件的标题
# <div class="lemma-summary" label-module="lemmaSummary">
summary_node = soup.find('div', class_='lemma-summary')
if summary_node is None:
return
res_data['summary'] = summary_node.get_text()#搜取满足条件的信息
return res_data
def parse(self, page_url, html_cont):#对于下载的页面进行解析
if page_url is None or html_cont is None:
return
soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='utf-8')#先用python自带库进行解析。
#print(soup.get_text())
#提取有用的信息
new_urls = self._get_new_urls(page_url, soup)#提取新的url
new_data = self._get_new_data(page_url, soup)#提取有价值的信息
return new_urls, new_data
四:输出文档:
#html_outputer.py#
class HtmlOutputer(object):
def __init__(self):
self.datas = []
def collect_data(self, data):
if data is None:
return
self.datas.append(data)
def output_html(self):
fout = open('output.html', 'w', encoding='utf-8')
fout.write("<html>")
fout.write("<body>")
fout.write("<a>")
for data in self.datas:
# 屏蔽掉原来的,重新写一个更美观的输出效果
# fout.write("<tr>")
# fout.write("<td>%s</td>" % data['url'])
# fout.write("<td>%s</td>" % data['title'])
# fout.write("<td>%s</td>" % data['summary'])
# fout.write("</tr>")
fout.write('<a href="%s">%s</a>' % (data['url'], data['title']))
fout.write('<p>%s</p>' % data['summary'])
fout.write("</a>")
fout.write("</body>")
fout.write("</html>")
fout.close()